Отрывок: Искусственный интеллект 12 Исходные гиперспектральные данные были вручную разделены на тренировочную и тестовую выборку. Для обучения нейронных сетей использовалась функция ошибки FocalLoss с параметром gamma=5.5. Количество эпох обучения нейронных сетей 70, используемый оптимизатор – Adam [6]. Шаг обучения контролировался с помощью метода Cosine Annealing With Warm Restart [7] с изначальным значением 0.001 и параметрами t_0=2, t_mult=1...
Название : | Применение нейросетевых алгоритмов для решения задачи семантической сегментации гиперспектральных данных |
Авторы/Редакторы : | Мухин А. В. Грибанов Д. Н. Парингер Р. А. |
Дата публикации : | 2022 |
Библиографическое описание : | Мухин, А. В. Применение нейросетевых алгоритмов для решения задачи семантической сегментации гиперспектральных данных / А. В. Мухин, Д. Н. Грибанов, Р. А. Парингер // Информационные технологии и нанотехнологии (ИТНТ-2022) : сб. тр. по материалам VIII Междунар. конф. и молодеж. шк. (г. Самара, 23 - 27 мая) : в 5 т. / М-во науки и образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем обраб. изобр. РАН - фил. ФНИЦ "Кристаллография и фотоника" РАН. - Самара : Изд-во Самар. ун-та, 2022Т. 4: Искусственный интеллект / под ред. А. В. Никонорова. - 2022. - С. 040102. |
Аннотация : | Использование гиперспектральных данных позволяет решать сложные задачи анализа, которые невозможно решить, используя RGB изображения. Гиперспектральные данные часто используются в такой области человеческой жизнедеятельности как сельское хозяйство и агрокультура для наблюдения за растительностью: их степенью влажности и общего здоровья. Успешному применению нейросетевых алгоритмов для анализа гиперспектральных данных препятствует: большая размерность данных, небольшие объемы размеченных данных, влияние условий съемки на качество данных, различие в параметрах и настройках гиперспектральных камер. В данной работе рассматриваются различные подходы к применению нейронных сетей, позволяющих решать задачусемантической сегментации гиперспектральных данных учитывая их специфику. Предложенная в работеархитектура нейронной сети и метод предобработки данных позволил обучить нейронную сеть, превосходящуюклассические алгоритмы машинного обучения согласно метрике F1. |
Другие идентификаторы : | RU\НТБ СГАУ\490938 |
Ключевые слова: | свертка сверточная нейронная сеть нейронные сети гиперспектральные данные |
Располагается в коллекциях: | Информационные технологии и нанотехнологии |
Файлы этого ресурса:
Файл | Размер | Формат | |
---|---|---|---|
ИТНТ-2022. Том 4. Искусственный интеллект/978-5-7883-1792-2_2022-040102.pdf | 548.33 kB | Adobe PDF | Просмотреть/Открыть |
Показать полное описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.